基于多源遥感密度数据进行碳排放量分区网格化的方法

1.本发明涉及二氧化碳气体排放量空间化管理技术领域，尤其涉及基于多源遥感密度数据进行碳排放量分区网格化的方法。


背景技术：

2.人类活动产生的碳排放是引起全球气候变暖的主要原因，其中化石燃料是最大的碳排放来源，成为影响气候变暖的首要贡献。因此，准确评估中国化石燃料产生的二氧化碳排放至关重要。目前小区域碳排放数据的获取方法主要分为两类。一类是由地方、单位或企业上报统计汇总获得，这种主要依靠人工获取碳排放数据得到方式，不仅耗时耗力、时间滞后，还由于统计口径、计算方式、 统计误差的不同，存在比较严重的不一致性等问题。另一类是根据国家和省级部门发布的能源消耗数据通过空间化方法计算小区域人为碳排放量。常用于碳排放空间化的方法包括参数方法和非参数方法。参数模型是假设区域总量和单元网格之间存在简单的线性关系，将碳排放数据总量分配到各个网格单元去。然而传统的多元回归分析方法由于计算简单，无法描述碳排放与遥感变量之间的复杂非线性关系，而且所得到的模型只适用于特定区域。非参数模型是利用机器学习或深度学习方法，挖掘碳排放与多种遥感特征之间的复杂非线性关系，进行碳排放量网格化。
3.已有研究主要从夜间灯光数据、人口等多源总量数据出发，引入深度学习方法，挖掘它们与碳排放总量之间的关系，并将其用于国内能源消耗碳排放统计数据的网格化生成。这些方法在进行碳排放网格化时存在误差较大的技术问题。


技术实现要素：

4.本发明提供一种基于多源遥感密度数据进行碳排放量分区网格化的方法，用以解决或者至少部分解决现有技术中存在的误差较大的技术问题。
5.为了解决上述技术问题，本发明公开了基于多源遥感密度数据进行碳排放量分区网格化的方法，包括：s1：获取研究区域内的省级碳排放统计数据与多源遥感数据，并对获取的多源遥感数据进行预处理；s2：根据预处理后的多源遥感数据生成省级多源数据；s3：分别对省级多源数据与省级碳排放统计数据进行密度转换，生成省级多源密度数据与省级碳排放密度数据；s4：将省级碳排放统计数据进行碳排放等级划分，并依据碳排放等级对研究区域进行分区；s5：根据步骤s4中的分区，分别构造对应的生成对抗网络模型，作为与每一个分区对应的碳排放量分区网格化模型，并使用生成的省级多源密度数据和省级碳排放密度数据对生成对抗网络模型进行训练；s6：将不同分区的格网级多源数据输入s5训练好的基于生成对抗网络的碳排放量
分区网格化模型中，得到全国格网级 1km
×
1km 碳排放空间分布图。在一种实施方式中， s1对获取的多源遥感数据进行预处理包括：对获取的多源遥感数据进行投影、裁剪和栅格对齐。
6.在一种实施方式中，多源遥感数据包括不透水表面数据、气温数据、夜间灯光数据、gdp数据和人口数步骤s2包括：分别对预处理后的不透水面数据、夜间灯光数据、gdp数据和人口数据进行分省统计，生成省级不透水总面积数据、省级夜间灯光总量数据、省级gdp总量数据以及省级人口总量数据；对预处理后的气温数据进行分省求平均处理，生成省级气温数据；省级不透水总面积数据、省级夜间灯光总量数据、省级gdp总量数据、省级人口总量数据以及省级气温数据构成省级多源数据。
7.在一种实施方式中，步骤s3包括：将省级不透水总面积数据、省级夜间灯光总量数据、省级gdp总量数据、省级人口总量数据和省级碳排放统计数据除以各省面积，生成省级不透水密度数据、省级夜光密度数据、省级gdp密度数据、省级人口密度数据以及省级碳排放密度数据；省级不透水密度数据、省级夜光密度数据、省级gdp密度数据、省级人口密度数据与预处理后的气温数据构成省级多源密度数据。
8.在一种实施方式中，步骤s4包括：建立各省二氧化碳排放数据的时序数据序列，利用slope分析对目标年份内各省二氧化碳排放量的时间趋势进行分析，计算公式如下：式中，n为总共包含的年份个数；为第i年的序号；为第i年对应的某一省份的二氧化碳排放量；根据slope的平均值和标准差划分各省的碳排放等级，得到缓慢增长区、中速增长区、较快增长区和迅猛增长区。
9.在一种实施方式中，步骤s5包括：对于划分的每一个分区，构造一个对应的生成对抗网络模型，作为碳排放量分区网格化模型；将生成的省级多源密度数据与省级碳排放密度数据以预设比例划分为与分区对应的训练集和测试集；利用划分得到训练集和测试集分别对对应的碳排放量分区网格化模型进行训练、参数优化和验证，得到训练好的基于生成对抗网络的碳排放量分区网格化模型。
10.在一种实施方式中，步骤s5包括：获取研究区域内的多源遥感数据，并进行预处理；对预处理后的多源遥感数据进行重采样，生成格网级多源遥感数据，且空间分辨率均为1km
×
1km；将研究区域内的重采样后的格网级多源遥感数据分区输入到s5训练好的基于生成对抗网络的碳排放量分区网格化模型中，输出全国格网级 1km
×
1km 碳排放空间分布
图。
11.相对于现有技术，本发明的优点和有益的技术效果如下：1、与现有技术中普遍使用碳排放总量进行建模相比，本发明对省级多源数据与省级碳排放统计数据进行了密度转换，利用密度进行二氧化碳排放网格化建模考虑了因各省面积不一致导致的碳排放总量和多源数据间关系的差异性，具有更高的合理性，有助于提高碳排放网格化的准确度。
12.2、与现有的对研究区仅建立一个碳排放网格化模型相比，本非买哪个将省级碳排放统计数据进行碳排放等级划分，并依据碳排放等级对研究区域进行了分区，采用的分区方法考虑了由于地域不同导致的二氧化碳排放影响因素的差异性，反映了不同碳排放增长趋势的区域的碳排放分布特点，避免了统一建模造成的碳排放错估问题，能够为生成区域尺度到更局部尺度的网格级碳排放数据提供帮助。
附图说明
13.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
14.图1是本发明实施例提供的基于多源遥感密度数据进行碳排放量分区网格化的方法的整体流程图。
具体实施方式
15.本技术发明人通过大量的研究与实践发现：现有技术中主要从夜间灯光数据、人口等多源总量数据出发，引入深度学习方法，挖掘它们与碳排放总量之间的关系，并将其用于国内能源消耗碳排放统计数据的网格化生成。这些方法主要存在两方面的问题：一是未考虑各省面积不一致，碳排放总量和多源总量数据之间的关系可能存在差异性，无法表现出各省实际碳排放增长情况；二是基于整个研究区进行分析，没有考虑不同碳排放增速区域差异所导致的碳排量网格化误差，而且一个包含广阔地域的碳排放量空间化的深度学习模型可能不能适用于所有区域。因此，考虑到我国各省碳排放增速不同，经济发展水平各异，需要建立一种顾及不同碳排放增速的且基于多源遥感密度数据的碳排放量分区网格化的深度学习方法，为获得中国大范围高空间分辨率时间序列碳排放数据提供新的技术途径。
16.本发明提供了一种基于多源遥感密度数据进行碳排放量分区网格化的方法，首先将多源遥感密度数据与碳排放等级分区结合，然后创建一个顾及不同碳排放增速的多源遥感密度数据非参数碳排放网格化模型（生成对抗网络模型），并使用该模型生成全国格网级 1km
×
1km 碳排放空间分布图。本发明考虑了因各省面积不一致导致的碳排放总量和多源数据间关系的差异性，使用了具有更高合理性的多源密度数据，并与碳排放等级分区因子相结合，得到碳排放分区网格化模型，能够为生成区域尺度到更局部尺度的网格级碳排放数据提供帮助。
17.需要说明的是，现有的联合多源数据生成全国1km碳排放空间分布图的方法，建立
了一个统一的且覆盖全国的模型，而本发明则基于碳排放等级分区因子进行分区建模（每一分区对应一个模型），考虑了不同碳排放增长趋势的碳排放分布特点，可以避免因统一建模造成的模型在某些区域碳排放模拟误差较大的问题，从而得到更为准确的网格级碳排放数据；并且本发明采用的生成对抗网络模型被文献证实是碳排放空间化效果较好的模型，相比于随机森林模型有较大的改进。碳排放分区建模的主要思想和步骤是：首先利用slope分析对目标年份内各省二氧化碳排放量的时间趋势进行分析，得到各省的slope值（slope 值的大小可以反应碳排放增加或者减少的倾向程度）；然后依据slope的平均值和标准差来划分各省的碳排放等级，得到碳排放分区。最后依据碳排放分区分别进行建模，例如，本发明实施例中，分别对缓慢增长区、中速增长区、较快增长区、迅猛增长区建立模型（共四个模型）。因此，分区建模的思想是基于不同碳排放增长趋势的碳排放分布特点而设计的，可以避免因统一建模造成的模型在某些区域碳排放模拟误差较大的问题。
18.现有技术中公开的一种基于能源消耗碳排放的精细尺度确定方法及装置，其采用的是自下而上的碳排放估算方法，不涉及到网格化过程，直接将得到的碳排放点源数据汇聚到对应到区域上。而发明使用的是自上而下的碳排放方法，通过网格化将省级大尺度碳排放数据分配到格网级小尺度上，二者也存在明显区别。
19.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
20.本发明实施例提供了基于多源遥感密度数据进行碳排放量分区网格化的方法，包括：s1：获取研究区域内的省级碳排放统计数据与多源遥感数据，并对获取的多源遥感数据进行预处理；s2：根据预处理后的多源遥感数据生成省级多源数据；s3：分别对省级多源数据与省级碳排放统计数据进行密度转换，生成省级多源密度数据与省级碳排放密度数据；s4：将省级碳排放统计数据进行碳排放等级划分，并依据碳排放等级对研究区域进行分区；s5：根据步骤s4中的分区，分别构造对应的生成对抗网络模型，作为与每一个分区对应的碳排放量分区网格化模型，并使用生成的省级多源密度数据和省级碳排放密度数据对生成对抗网络模型进行训练；s6：将不同分区的格网级多源数据输入s5训练好的基于生成对抗网络的碳排放量分区网格化模型中，得到全国格网级 1km
×
1km 碳排放空间分布图。总体来说，本发明提供的一种基于多源遥感密度数据进行碳排放量分区网格化的方法，通过碳排放等级划分，对研究区域进行分区并与多源密度数据结合，创建了一个顾及不同碳排放增速的多源遥感密度数据非参数碳排放网格化模型，并使用该模型将整个大范围研究区域的碳排放量进行网格化。
21.具体来说，步骤s5根据步骤s4中的分区，分别构造对应的生成对抗网络模型，是指针对划分得到的每一个分区，构造一个生成对抗网络模型，然后使用每个分区内包含的所
有省份的省级多源密度数据和省级碳排放数据对相应的生成对抗网络模型进行训练。
22.步骤s6中不同分区的格网级多源数据是对预处理后的多源遥感数据进行重采样后得到。
23.在一种实施方式中， s1对获取的多源遥感数据进行预处理包括：对获取的多源遥感数据进行投影、裁剪和栅格对齐。
24.具体地，对获取的多源遥感数据进行投影、裁剪和栅格对齐后，使得处理后的数据具有一致的覆盖范围（中国）、投影方式（albers 等面积投影）。
25.在一种实施方式中，多源遥感数据包括不透水表面数据、气温数据、夜间灯光数据、gdp数据和人口数步骤s2包括：分别对预处理后的不透水面数据、夜间灯光数据、gdp数据和人口数据进行分省统计，生成省级不透水总面积数据、省级夜间灯光总量数据、省级gdp总量数据以及省级人口总量数据；对预处理后的气温数据进行分省求平均处理，生成省级气温数据；省级不透水总面积数据、省级夜间灯光总量数据、省级gdp总量数据、省级人口总量数据以及省级气温数据构成省级多源数据。
26.在一种实施方式中，步骤s3包括：将省级不透水总面积数据、省级夜间灯光总量数据、省级gdp总量数据、省级人口总量数据和省级碳排放统计数据除以各省面积，生成省级不透水密度数据、省级夜光密度数据、省级gdp密度数据、省级人口密度数据以及省级碳排放密度数据；省级不透水密度数据、省级夜光密度数据、省级gdp密度数据、省级人口密度数据与预处理后的气温数据构成省级多源密度数据。
27.具体来说，省级不透水总面积数据包括每一个省的不透水总面积数据，其除以各个省的面积，从而可以得到省级不透水密度数据，其他的省级夜间灯光总量数据、省级gdp总量数据也类似，在此不再赘述。
28.在一种实施方式中，步骤s4包括：建立各省二氧化碳排放数据的时序数据序列，利用slope分析对目标年份内各省二氧化碳排放量的时间趋势进行分析，计算公式如下：式中，n为总共包含的年份个数；为第i年的序号；为第i年对应的某一省份的二氧化碳排放量；根据slope的平均值和标准差划分各省的碳排放等级，得到缓慢增长区、中速增长区、较快增长区和迅猛增长区。
29.具体实施过程中，分区标准如下：具体实施过程中，分区标准如下：为slope值的平均值；为slope值的标准差。
30.在一种实施方式中，步骤s5包括：对于划分的每一个分区，构造一个对应的生成对抗网络模型，作为碳排放量分区网格化模型；将生成的省级多源密度数据与省级碳排放密度数据以预设比例划分为与分区对应的训练集和测试集；利用划分得到训练集和测试集分别对对应的碳排放量分区网格化模型进行训练、参数优化和验证，得到训练好的基于生成对抗网络的碳排放量分区网格化模型。
31.具体来说，对于缓慢增长区、中速增长区、较快增长区和迅猛增长区，每一个分区对应一个生成对抗网络模型。
32.预设比例可以根据实际情况设置，例如8:2，7:3等等。
33.在一种实施方式中，步骤s5包括：获取研究区域内的多源遥感数据，并进行预处理；对预处理后的多源遥感数据进行重采样，生成格网级多源遥感数据，且空间分辨率均为1km
×
1km；将研究区域内的重采样后的格网级多源遥感数据分区输入到s5训练好的基于生成对抗网络的碳排放量分区网格化模型中，输出全国格网级 1km
×
1km 碳排放空间分布图。
34.具体实施个偶成中，研究区域内的多源遥感数据为中国包含的30个省份的2000，2005，2010，2015年的多源遥感数据。
35.为了更清楚地说明本发明提供的方法的具体实施过程和效果，下面通过一个具体的示例进行说明：本实施例为选取中国的30个省份的二氧化碳排放数据进行空间网格化，时间范围为2000-2018年，并选取2000，2005，2010，2015年的数据做网格化实验分析。
36.如图1所示，本发明提供一种基于多源遥感密度数据进行碳排放量分区网格化的方法，包括以下步骤：s1: 获取中国2000-2018年的省级碳排放统计数据与多源遥感数据（不透水表面、气温、夜间灯光、gdp、人口），并对多源遥感数据进行预处理操作；s2: 对预处理后的多源遥感数据进行分省统计或平均计算，生成省级多源数据；s3: 将省级多源数据与省级碳排放统计数据进行密度转换，生成省级多源密度数据与省级碳排放密度数据；s4: 将省级碳排放统计数据进行碳排放等级划分，并依据碳排放等级对研究区域进行分区；s5: 根据步骤s4中的分区，构造对应的生成对抗网络模型作为碳排放量分区网格化模型，并使用省级多源密度数据和省级碳排放密度数据对生成对抗网络模型进行训练；s6: 利用s5训练好的基于生成对抗网络的碳排放量分区网格化模型，分区输入格网级多源数据，得到全国格网级 1km
×
1km 碳排放空间分布图。
37.具体来说，省级碳排放统计数据来自中国碳核算数据库ceads；不透水表面数据来自清华大学发布的全球人工不透水区（gaia）数据产品；气温数据来自国家青藏高原科学数据中心提供的中国1km分辨率逐月平均气温数据集；夜间灯光数据来自于dmsp/ols和npp/
viirs两种夜光遥感影像数据；gdp数据来自于中国科学院资源环境科学数据中心提供的1km gdp公里格网数据；人口数据来自于经联合国调整后的worldpop 网站上提供的1km人口网格数据；建立各省二氧化碳排放数据的时序数据序列，利用slope分析对目标年份内各省二氧化碳排放量的时间趋势进行分析。本发明实施例中的n为19；为第i年的序号（2000年是第一年，序号为1）；为第i年对应的某一省份的二氧化碳排放量。如果 slope 值大于0，表明该省二氧化碳排放量在2000-2018年间随时间增加而增加，反之表明该省二氧化碳排放量为下降趋势。slope值的大小则可以反应碳排放增加或者减少的倾向程度。利用上述的时间趋势计算公式，计算 2000-2018 年各省的 slope 值。
38.通过各省的slope的平均值和标准差来划分碳排放等级，得到缓慢增长区、中速增长区、较快增长区和迅猛增长区。
39.具体地，步骤s5包括：将步骤s3中的省级多源密度数据作为生成对抗网络模型的输入数据，省级碳排放密度数据作为输出数据，按照8:2的比例且按照步骤s4中的分区随机划分训练集和测试集，对生成对抗网络模型进行训练、参数优化和验证，得到训练好的生成对抗网络模型。训练集和测试集的数据格式如下。
40.具体来说，本发明采用的分区的方法的优点如下：1、模型构建角度来说，主要有以下特点：（1）依据各省碳排放等级可将全国划分为4个区域，分别为缓慢增长区、中速增长区、较快增长区、迅猛增长区，编号为1、2、3、4。
41.（2）按照分区以及8：2的比例，随机划分数据，得到训练集1和测试集1、训练集2和测试集2、训练集3和测试集3、训练集4和测试集4。数据包括省级多源密度数据和省级碳排放密度。例如，针对迅猛增长区，将该分区内包含的省级多源密度和省级碳排放密度数据按照8:2的比例随机划分，得到训练集4和测试集4。
42.（3）针对每个分区分别构建生成对抗网络1、生成对抗网络2、生成对抗网络3、生成对抗网络4。
43.（4）将分区得到的训练集和测试集分别输入到对应的生成对抗模型中，对模型进行训练、参数优化和验证。
44.2、从方法效果角度来说：与现有的针对全国建立统一模型的方法相比，本发明基于全国各省不同碳排放增长趋势的碳排放分布特点，设计了碳排放分区建模的方法，可以避免因统一建模造成的模型在某些区域碳排放模拟误差较大的问题，可以提高碳排放网格化的模拟精度和数据可信度。
45.尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
46.显然，本领域的技术人员可以对本发明实施例进行各种改动和变型而不脱离本发明实施例的精神和范围。这样，倘若本发明实施例的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

技术特征：
1.基于多源遥感密度数据进行碳排放量分区网格化的方法，其特征在于，包括：s1：获取研究区域内的省级碳排放统计数据与多源遥感数据，并对获取的多源遥感数据进行预处理；s2：根据预处理后的多源遥感数据生成省级多源数据；s3：分别对省级多源数据与省级碳排放统计数据进行密度转换，生成省级多源密度数据与省级碳排放密度数据；s4：将省级碳排放统计数据进行碳排放等级划分，并依据碳排放等级对研究区域进行分区；s5：根据步骤s4中的分区，分别构造对应的生成对抗网络模型，作为与每一个分区对应的碳排放量分区网格化模型，并使用生成的省级多源密度数据和省级碳排放密度数据对生成对抗网络模型进行训练；s6：将不同分区的格网级多源数据输入s5训练好的基于生成对抗网络的碳排放量分区网格化模型中，得到全国格网级 1km
×
1km 碳排放空间分布图。2. 如权利要求1所述的基于多源遥感密度数据进行碳排放量分区网格化的方法，其特征在于， s1对获取的多源遥感数据进行预处理包括：对获取的多源遥感数据进行投影、裁剪和栅格对齐。3.如权利要求1所述的基于多源遥感密度数据进行碳排放量分区网格化的方法，其特征在于，多源遥感数据包括不透水表面数据、气温数据、夜间灯光数据、gdp数据和人口数步骤s2包括：分别对预处理后的不透水面数据、夜间灯光数据、gdp数据和人口数据进行分省统计，生成省级不透水总面积数据、省级夜间灯光总量数据、省级gdp总量数据以及省级人口总量数据；对预处理后的气温数据进行分省求平均处理，生成省级气温数据；省级不透水总面积数据、省级夜间灯光总量数据、省级gdp总量数据、省级人口总量数据以及省级气温数据构成省级多源数据。4.如权利要求3所述的基于多源遥感密度数据进行碳排放量分区网格化的方法，其特征在于，步骤s3包括：将省级不透水总面积数据、省级夜间灯光总量数据、省级gdp总量数据、省级人口总量数据和省级碳排放统计数据除以各省面积，生成省级不透水密度数据、省级夜光密度数据、省级gdp密度数据、省级人口密度数据以及省级碳排放密度数据；省级不透水密度数据、省级夜光密度数据、省级gdp密度数据、省级人口密度数据与预处理后的气温数据构成省级多源密度数据。5.如权利要求1所述的基于多源遥感密度数据进行碳排放量分区网格化的方法，其特征在于，步骤s4包括：建立各省二氧化碳排放数据的时序数据序列，利用slope分析对目标年份内各省二氧化碳排放量的时间趋势进行分析，计算公式如下：
式中，n为总共包含的年份个数；为第i年的序号；为第i年对应的某一省份的二氧化碳排放量；根据slope的平均值和标准差划分各省的碳排放等级，得到缓慢增长区、中速增长区、较快增长区和迅猛增长区。6.如权利要求1所述的基于多源遥感密度数据进行碳排放量分区网格化的方法，其特征在于，步骤s5包括：对于划分的每一个分区，构造一个对应的生成对抗网络模型，作为碳排放量分区网格化模型；将生成的省级多源密度数据与省级碳排放密度数据以预设比例划分为与分区对应的训练集和测试集；利用划分得到训练集和测试集分别对对应的碳排放量分区网格化模型进行训练、参数优化和验证，得到训练好的基于生成对抗网络的碳排放量分区网格化模型。7.如权利要求1所述的基于多源遥感密度数据进行碳排放量分区网格化的方法，其特征在于，步骤s5包括：获取研究区域内的多源遥感数据，并进行预处理；对预处理后的多源遥感数据进行重采样，生成格网级多源遥感数据，且空间分辨率均为1km
×
1km；将研究区域内的重采样后的格网级多源遥感数据分区输入到s5训练好的基于生成对抗网络的碳排放量分区网格化模型中，输出全国格网级 1km
×
1km 碳排放空间分布图。

技术总结
本发明公开了基于多源遥感密度数据进行碳排放量分区网格化的方法，首先将多源遥感密度数据与碳排放等级分区结合，然后创建一个顾及不同碳排放增速的多源遥感密度数据非参数碳排放网格化模型，并使用该模型生成全国格网级1km


技术研发人员：巫兆聪 华玲 黄淑娟 梁楠 宋晓辉 岳鹏飞 方瑞欣
受保护的技术使用者：武汉大学
技术研发日：2023.06.05
技术公布日：2023/7/12